Python—0到1之间的随机数的概率

我知道我们使用random.random（）生成0到1之间的随机小数。 随机数小于0.5的概率等于50%吗？ 随机数大于0.5等于50%？

是的。从文档：

几乎所有模块函数都依赖于基本函数random（），该函数在半开放范围[0.0,1.0]内均匀地生成一个随机浮点值

是的。从文档：

几乎所有模块函数都依赖于基本函数random（），该函数在半开放范围[0.0,1.0]内均匀地生成一个随机浮点值

---

这是一个自己测试的小片段。但是Chad Miller所说的似乎是最正确的答案。它生成大于0.5的数字的概率总是比生成小于0.5的数字的概率稍低。 这是因为（0.5,1.0）是一个小于[0.0,0.5]的无穷大数集，因为0.0被包括在内，1.0被排除在外

import random

N_ITER = 10000000
results_greater = 0
results_lesser = 0
for i in xrange(N_ITER):
    random_number = random.random()
    results_greater += random_number > 0.5
    results_lesser += random_number < 0.5
print results_greater / float(N_ITER)
print results_lesser / float(N_ITER)

随机导入
N_ITER=10000000
结果大于等于0
结果_=0
对于X范围内的i（N_ITER）：
random_number=random.random（）
结果大于+=随机数>0.5
结果\u较小+=随机\u数<0.5
打印结果\u大于/浮动（N\u ITER）
打印结果\u较小/浮动（N\u ITER）

一个小片段，供您自己测试。但Chad Miller所说的似乎是最正确的答案。它生成大于0.5的数字的概率确实会比生成小于0.5的数字的概率略低。 这是因为（0.5,1.0）是一个小于[0.0,0.5]的无穷大数集，因为0.0被包括在内，1.0被排除在外

import random

N_ITER = 10000000
results_greater = 0
results_lesser = 0
for i in xrange(N_ITER):
    random_number = random.random()
    results_greater += random_number > 0.5
    results_lesser += random_number < 0.5
print results_greater / float(N_ITER)
print results_lesser / float(N_ITER)

随机导入
N_ITER=10000000
结果大于等于0
结果_=0
对于X范围内的i（N_ITER）：
random_number=random.random（）
结果大于+=随机数>0.5
结果\u较小+=随机\u数<0.5
打印结果\u大于/浮动（N\u ITER）
打印结果\u较小/浮动（N\u ITER）

使用以下工具快速测试后：

import random

random.seed( None )

less_than_half = 0
greater_than_half = 0
equal_to_half = 0

for i in range( 0, 2**26 ):
    x = random.random()
    if x < .5:
        less_than_half += 1
    elif x > .5:
        greater_than_half += 1
    else:
        equal_to_half += 1

print less_than_half
print greater_than_half
print equal_to_half

随机导入
随机。种子（无）
小于等于0的一半=0
大于一半=0
等于_到_的一半=0
对于范围（0,2**26）内的i：
x=random.random（）
如果x小于0.5：
小于半个+=1
elif x>.5：
大于一半+=1
其他：
等于_到_一半+=1
打印少于一半的内容
打印大于一半的内容
打印等分

运行四次（由于内存错误），我总共有134217147个结果小于.5，134218309个结果大于.5，没有一个结果等于.5。 这导致49.9997836%的结果低于0.5

---

实际结果可能因系统时钟种子而异。

在使用以下各项进行快速测试后：

import random

random.seed( None )

less_than_half = 0
greater_than_half = 0
equal_to_half = 0

for i in range( 0, 2**26 ):
    x = random.random()
    if x < .5:
        less_than_half += 1
    elif x > .5:
        greater_than_half += 1
    else:
        equal_to_half += 1

print less_than_half
print greater_than_half
print equal_to_half

随机导入
随机。种子（无）
小于等于0的一半=0
大于一半=0
等于_到_的一半=0
对于范围（0,2**26）内的i：
x=random.random（）
如果x小于0.5：
小于半个+=1
elif x>.5：
大于一半+=1
其他：
等于_到_一半+=1
打印少于一半的内容
打印大于一半的内容
打印等分

运行四次（由于内存错误），我总共有134217147个结果小于.5，134218309个结果大于.5，没有一个结果等于.5。 这导致49.9997836%的结果低于0.5

---

---

实际结果可能会因系统时钟的种子而有所不同。

应该是这样，但为什么不运行10亿个随机数，并将它们相加以确定其正确性呢？您可以阅读

random.random（）

at.使用的系统。这就是

random.random（）

正在尝试这样做。但是，如果您需要加密安全的随机数，请使用类似于

random.SystemRandom（）的内容

@Sam那篇文章讨论了从位模式到浮点数的转换吗？这似乎是一个有效的问题。@Kevin通过指定

=0.5

而不是

>0.5

很容易地解决了这个问题。应该是这样的，但是为什么不运行10亿个随机数，并对它们进行统计以确定呢？您可以阅读b使用的系统y

random.random（）

at。这就是

random.random（）

试图做的。但是，如果您需要加密安全的随机数，请使用类似于

random.SystemRandom（）的方法

@Sam那篇文章讨论了从位模式到浮点数的转换吗？这似乎是一个有效的问题。@Kevin通过指定

>=0.5

而不是

>0.5

很容易解决。这个答案取决于你是否知道“统一”的精确定义。例如，它是否会生成一个非标准化数字？这个答案取决于您是否知道“统一”的精确定义。例如，它是否会生成一个非标准化数字？如果您使用

xrange

而不是

range

@Rob，我打赌您的内存错误会消失ᵩ 不知道关于XRead，但是是的，它解决了这个问题（由于长期的限制，高达2 ^ 30）。在2 ** 52中命中浮点值的几率大约是1，所以毫不奇怪，没有一个等于0.5.ffh，考虑将Python 3翻转为默认值，并且你不需要记住像“XRealk”这样的哑黑客。还有其他难看的缺点。但是你必须在打印参数周围加上括号。我打赌如果你使用

xrange

而不是

range

@Rob，你的内存错误就会消失ᵩ 不知道关于XRead，但是是的，它解决了这个问题（由于长期的限制，高达2 ^ 30）。在2 ** 52中命中浮点值的几率大约是1，所以毫不奇怪，没有一个等于0.5.ffh，考虑将Python 3翻转为默认值，并且你不需要记住像“XRealk”这样的哑黑客。还有其他难看的疣子。但你必须把帕伦斯环起来